復(fù)雜場(chǎng)景下車(chē)輛跟蹤研究.pdf

1、視頻監(jiān)控中的運(yùn)動(dòng)車(chē)輛目標(biāo)跟蹤技術(shù)研究是智能交通系統(tǒng)（ITS)的一個(gè)非常重要的課題。近年來(lái)，國(guó)內(nèi)外眾多學(xué)者對(duì)車(chē)輛目標(biāo)跟蹤進(jìn)行了大量的研究，但是由于車(chē)輛自身的復(fù)雜變化，包括車(chē)輛快速運(yùn)動(dòng)、車(chē)輛尺度變化、車(chē)輛旋轉(zhuǎn)、姿態(tài)變化和車(chē)輛受相似物干擾、車(chē)輛部分甚至全部遮擋等;以及復(fù)雜的外部環(huán)境，如攝像頭移動(dòng)、抖動(dòng)和惡劣的雨雪天氣等，使得車(chē)輛目標(biāo)的準(zhǔn)確跟蹤仍然存在諸多難點(diǎn)，本文針對(duì)這些難點(diǎn)問(wèn)題展開(kāi)了研究。具體完成的研究工作如下:
　　（1）針對(duì)車(chē)輛尺

2、度變化、車(chē)輛旋轉(zhuǎn)及形變等干擾，本文引入SIFT特征對(duì)車(chē)輛進(jìn)行特征提取。SIFT特征對(duì)車(chē)輛遠(yuǎn)近變化、姿態(tài)變化、尺度縮放、光照變化有較強(qiáng)魯棒性，所以SIFT特征可以有效解決目標(biāo)的旋轉(zhuǎn)、縮放、平移，為車(chē)輛跟蹤提供很好的特征支持。但是傳統(tǒng)的SIFT特征跟蹤不能區(qū)分前景和背景，極多的匹配特征集中在背景上，導(dǎo)致跟蹤目標(biāo)丟失。通過(guò)研究現(xiàn)有車(chē)輛跟蹤算法，本文提出了一種基于SIFT特征與GrabCut算法的車(chē)輛跟蹤，在SIFT特征跟蹤的基礎(chǔ)上引入了Gra

3、bCut提取前景的跟蹤方法。實(shí)驗(yàn)表明，該方法在日間攝像機(jī)不明顯晃動(dòng)環(huán)境下，初始幀運(yùn)動(dòng)檢測(cè)車(chē)輛后能夠?qū)\(yùn)動(dòng)車(chē)輛實(shí)現(xiàn)穩(wěn)定的跟蹤，并且有效解決車(chē)輛姿態(tài)變化及遠(yuǎn)近變化問(wèn)題。
　?。?）針對(duì)車(chē)輛在快速運(yùn)動(dòng)的過(guò)程中，可能造成車(chē)輛跟蹤失敗的問(wèn)題，研究分析了TLD算法對(duì)車(chē)輛目標(biāo)進(jìn)行跟蹤的利弊。TLD算法與傳統(tǒng)跟蹤算法的顯著區(qū)別在于將傳統(tǒng)的跟蹤算法和傳統(tǒng)的檢測(cè)算法相結(jié)合來(lái)解決被跟蹤目標(biāo)在被跟蹤過(guò)程中發(fā)生的形變、部分遮擋等問(wèn)題。本文對(duì)TLD算法進(jìn)行改

4、進(jìn)，在算法檢測(cè)模塊引入基于Meanshift與Kalman的當(dāng)前幀目標(biāo)所在區(qū)域預(yù)估，預(yù)估有效縮小了檢測(cè)模塊的檢測(cè)范圍，提高算法實(shí)時(shí)性及準(zhǔn)確性；對(duì)原算法方差分類(lèi)器改進(jìn)采用顏色特征分類(lèi)器，提高了算法對(duì)目標(biāo)識(shí)別性能；對(duì)綜合模塊改進(jìn)，提高了算法目標(biāo)跟蹤成功率。通過(guò)實(shí)驗(yàn)對(duì)改進(jìn)后TLD及原始TLD進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明改進(jìn)的TLD算法具有更高的跟蹤準(zhǔn)確性及更好的跟蹤實(shí)時(shí)性。
　?。?）本文將改進(jìn)的TLD算法與基于SIFT特征與GrabCut算